排序方式: 共有3条查询结果,搜索用时 15 毫秒
1
1.
生物医学因果关系抽取是BioCreative社区提出的一项评测任务,旨在挖掘生物医学实体间丰富的语义关系,并用生物医学表征语言(biological expression language, BEL)来表示。与传统的实体关系抽取不同,该任务不仅包含实体间因果关系的抽取,还包含实体功能的识别。此前已经提出了一些该任务的解决方法,但均未考虑这两个子任务间的关联性。该文基于多任务的思想,提出一种二元关系抽取和一元功能识别共同决策的联合学习模式。首先两个任务共享底层向量表示,然后利用长短期记忆(long short-term memory, LSTM)网络和门控机制学习两个任务之间的交互表示,最后分别进行分类预测。实验结果表明,该方法能够融合两个子任务的信息,在2015 BC-V测试集上获得了45.3%的F值。 相似文献
2.
为了提高无线传感器网络的生存时间、连通性以及网络中节点的活跃数,提出一种基于改进灰狼优化算法的分区多链无线传感器网络路由协议。该协议采用分区成链的方法,按网络中节点密度分布,以基站为圆心将整个网络空间划分为多个扇形环带区域,每个分区内的节点按位置分簇,每个分簇构造一条最优簇内链,同扇区各分簇间的簇头构造一条簇头链,最终通过这条链将采集到的信息朝基站方向传递。在后续迭代过程中,采用改进的灰狼优化算法进行簇头寻优,并根据狼群与猎物的距离以及系数向量对权重进行动态更新。MATLAB仿真表明:改进协议相比PEGASIS(Power-Efficient Gathering in Sensor Information Systems)在避免长链、均衡能耗、延长网络周期等方面均有提升,能有效提高无线传感器网络的性能。 相似文献
3.
1